Was ist Memory (reference server)?
Memory ist einer der sieben Referenzserver, die in modelcontextprotocol/servers noch gepflegt werden; er wurde nicht nach servers-archived verschoben. Er speichert, was ein Modell lernt, als kleinen Knowledge Graph: Entitäten (eine Person, ein Projekt), gerichtete Beziehungen zwischen ihnen und kurze Textbeobachtungen zu jeder Entität. Neun Tools legen diese Einträge an, lesen, durchsuchen und löschen sie, und der ganze Graph steht außerdem als Ressource memory://knowledge-graph bereit.
Der Graph liegt in einer einzigen lokalen JSONL-Datei, festgelegt über MEMORY_FILE_PATH; standardmäßig liegt sie im Installationsverzeichnis des Servers selbst. Gestartet wird er mit npx -y @modelcontextprotocol/server-memory, was seit Version 2.0.0 (19. Oktober 2026) Node.js 24 oder neuer braucht, oder mit dem Docker-Image mcp/memory und einem benannten Volume. Konto oder Schlüssel braucht es nicht.
Memory (reference server) installieren
npx -y @modelcontextprotocol/server-memoryLohnt sich Memory (reference server)?
Memory ist ein solider, nachvollziehbarer Ausgangspunkt für ein persönliches Agent-Gedächtnis und passt schlecht, sobald der Graph größer wird, als ein Modell überfliegen kann. Seine Stärke ist, dass nichts verborgen ist: Das Gedächtnis ist eine Textdatei, die du öffnen, vergleichen, sichern oder löschen kannst, und nichts verlässt den Rechner.
Das Abrufen ist die Schwachstelle. Im Quellcode ist search_nodes ein Teilstringabgleich ohne Beachtung der Groß- und Kleinschreibung über Namen, Typen und Beobachtungstext, mit Abfragen begrenzt auf 2.048 Zeichen, ohne Embeddings und ohne Ranking. Frag nach 'my manager', wenn die Beobachtung 'reports to Priya' lautet, und es kommt nichts zurück. read_graph umgeht das, indem es alles zurückgibt, was für ein paar Dutzend Entitäten in Ordnung ist und mit wachsender Datei zur Kontextrechnung wird. Spezialisierte Gedächtnisdienste und das eingebaute Gedächtnis vieler Chat-Apps und Coding-Agenten versuchen den semantischen Abruf, den dieser Server nicht leistet.
Jüngere Releases haben die Probleme mit Datenverlust behoben, die das Teilen riskant machten. Seit Version 1.0.0 nimmt jedes Schreib-Tool eine Lock-Datei, sodass zwei Clients, die auf dieselbe Datei zeigen, nicht mehr gegenseitig ihre Änderungen verwerfen; Zeilen, die der Server nicht parsen kann, werden beim nächsten Speichern behalten statt gelöscht; und die Datei behält die Rechte 0600. Der Lock beruht auf exklusivem Anlegen von Dateien, deshalb warnt die README, dass ein Netzwerkdateisystem weiterhin nicht sicher geteilt werden kann.
Was es sich merkt, entscheidet das Modell, und das ist zugleich das Design und das Risiko. Ohne einen System-Prompt, der ihm sagt, wann es speichern und nachschlagen soll, ist der Abruf sprunghaft, und Text, den der Agent in einer E-Mail oder auf einer Webseite gelesen hat, kann als Beobachtung eingetragen und in jeder späteren Sitzung wieder eingespielt werden. Issue #4117 fordert Kontingente, Schwärzung und Schutzmechanismen für destruktive Operationen; nichts davon ist erschienen.
Wo es sich lohnt
Solo-Entwickler, der Claude Desktop und Claude Code auf einem Laptop nutzt
Beide Clients zwischen Sitzungen Projektkonventionen und Personen behalten lassen
Beide auf denselben MEMORY_FILE_PATH richten; die Lock-Datei serialisiert Schreibvorgänge, sodass keiner die Änderungen des anderen verliert. Es ist kostenlos und lokal, aber der Abruf hängt von einem System-Prompt ab, der das Modell anweist, zu Beginn jedes Chats das Gedächtnis zu durchsuchen.
Platform Engineer, der einen Prototyp f ür eine Gedächtnisschicht von Agenten baut
Ein Gedächtnismodell aus Entitäten und Beziehungen testen, bevor er sich auf einen Vector Store festlegt
Das JSONL-Format lässt sich leicht prüfen und migrieren, Experimente kosten also nur Zeit. Rechne damit, es zu ersetzen, sobald Abfragen Bedeutung statt exakter Wörter treffen müssen oder sich mehrere Nutzer ein Gedächtnis teilen.
Sicherheitsprüferin, die MCP-Server für ein Engineering-Team mit 50 Leuten freigibt
Entscheiden, ob Mitarbeitende einen Gedächtnisserver auf Arbeitslaptops betreiben dürfen
Alles bleibt in einer Datei auf dem Laptop, es gibt also keinen Drittanbieter als Auftragsverarbeiter zu prüfen. Abzuwägen sind eingeschleuster Text, der über Sitzungen hinweg bestehen bleibt, und der Standardort der Datei; MEMORY_FILE_PATH auf einem verschlüsselten, gesicherten Pfad vorzuschreiben, deckt den zweiten Punkt ab.
Bevor du dich festlegst
- Einrichtung
- npx -y @modelcontextprotocol/server-memory zur Client-Konfiguration hinzufügen (die README hat Snippets für Claude Desktop und VS Code) und MEMORY_FILE_PATH setzen; ab 2.0.0 ist Node.js 24+ nötig. Die Tools funktionieren nach einem Neustart, aber ein nützlicher Abruf braucht einen System-Prompt, der dem Modell sagt, wann es lesen und schreiben soll.
- Integrationen
- Neun Tools: create_entities, create_relations, add_observations, delete_entities, delete_observations, delete_relations, read_graph, search_nodes und open_nodes. Sechs der neun schreiben; der Graph ist außerdem eine abonnierbare MCP-Ressource.
- Daten und Datenschutz
- Liest und schreibt nur seine JSONL-Datei; kein Netzwerk, keine Zugangsdaten. Alles, was der Agent gelesen hat, kann als Beobachtung gespeichert und in späteren Chats wieder eingespeist werden, eine Prompt Injection kann also die Sitzung überdauern, in der sie kam.
- Kosten im großen Maßstab
- Kostenlos, ohne Rate Limits. Die Kosten sind Kontext: read_graph liefert den gesamten Graphen, seine Token-Kosten wachsen also mit jeder gespeicherten Entität und Beobachtung.
- Grenzen
- Teilstringsuche, Abfragen auf 2.048 Zeichen begrenzt; keine Embeddings, kein Ranking, kein Mehrbenutzerzugriff, keine Kontingente. Unsicher auf Netzwerkdateisystemen; in 2.0.0 schließt eine einzelne JSON-RPC-Nachricht über 10 MiB die stdio-Verbindung.
Was gut ist
- Das Gedächtnis ist eine lokale JSONL-Datei, die du lesen und bearbeiten kannst
- Schreibsperren seit 1.0.0 verhindern verlorene Änderungen zwischen Clients
- Kein Konto, kein Schlüssel, kein Netzwerkzugriff
Was nicht
- Nur Teilstringsuche, kein semantischer Abruf
- Hängt davon ab, dass das Modell per Prompt zum Speichern und Suchen angehalten wird
- Keine Kontingente oder Schwärzung; eingeschleuster Text kann bestehen bleiben
Am besten für
Hobbyisten und Entwickler, die lernen wollen, wie dauerhaftes Gedächtnis über MCP funktioniert.
Alternativen zu Memory (reference server)
Memory (reference server): häufige Fragen
- Lohnt sich Memory (reference server)?
- Eine lesbare lokale Datei und eine Teilstringsuche machen ihn zu einem ordentlichen Notizbuch für einen Agenten und zu einem schwachen Langzeitgedächtnis, sobald der Graph wächst. Wir bewerten es mit 3.5 von 5.
- Was kostet Memory (reference server)?
- Kostenlos und Open Source.
- Welche Nachteile hat Memory (reference server)?
- Nur Teilstringsuche, kein semantischer Abruf; Hängt davon ab, dass das Modell per Prompt zum Speichern und Suchen angehalten wird; Keine Kontingente oder Schwärzung; eingeschleuster Text kann bestehen bleiben.
- Für wen eignet sich Memory (reference server)?
- Hobbyisten und Entwickler, die lernen wollen, wie dauerhaftes Gedächtnis über MCP funktioniert.
- Was kostet Memory (reference server) für ein Team oder im Produktivbetrieb?
- Kostenlos, ohne Rate Limits. Die Kosten sind Kontext: read_graph liefert den gesamten Graphen, seine Token-Kosten wachsen also mit jeder gespeicherten Entität und Beobachtung.
- Ist Memory (reference server) sicher für Firmendaten?
- Liest und schreibt nur seine JSONL-Datei; kein Netzwerk, keine Zugangsdaten. Alles, was der Agent gelesen hat, kann als Beobachtung gespeichert und in späteren Chats wieder eingespeist werden, eine Prompt Injection kann also die Sitzung überdauern, in der sie kam.
- Was sind die besten Alternativen zu Memory (reference server)?
- Die nächsten Alternativen, die wir getestet haben, sind Sequential Thinking (reference server), Filesystem (reference server) und MCP Memory Keeper.
Antworten geprüft am 23. Okt. 2026.